[发明专利]一种基于生成对抗网络的copy-move伪造检测方法

权利要求书

1.一种基于生成对抗网络的copy-move伪造检测方法，其特征在于，包括以下步骤：

1)获取成对的数据集；

2)生成对抗网络模型；

3)损失函数的优化；

4)调整对抗网络模型的参数。

2.根据权利要求1所述的一种基于生成对抗网络的copy-move伪造检测方法，其特征在于：

所述步骤1)的数据集为copy-move伪造图像及其对应的ground truth图像对，数据集又被分为：训练集、验证集和测试集。

3.根据权利要求2所述的一种基于生成对抗网络的copy-move伪造检测方法，其特征在于：

步骤2)的生成对抗网络模型，其中生成网络是在encoder-decoder结构的基础上增加跳线连接的U-net结构，生成网络模型的输入经过几层下采样之后到达瓶颈层，然后逆转之前的下采样过程，进行对应层数的上采样，使得生成网络的输入与输出具有同等大小；在进行上采样的过程中，该网络将第i层和第n-i层的特征层连接在一起作为第i+1层的输入，其中，n是生成网络的总层数；判别网络是由普通的几卷积层、池化层和激活层组成的结构，输出对输入图像对的评价，一个true或者false的矢量。

4.根据权利要求3所述的一种基于生成对抗网络的copy-move伪造检测方法，其特征在于：

所述步骤3)损失函数的优化，具体为：

cGANs最后稳定状态是作为一个与输入相关的图片生成器，GANs的损失函数，如公式(1)所示：

其中：x表示真实图片，z表示输入G网络的噪声，而G(z)表示G网络生成的图片，D(x)表示D网络判断真实图片是否真实的概率，因为x就是真实的，对于D来说D(x)值越接近1越好，D(G(z))是D网络判断G生成的图片的是否真实的概率；

D的目的：D的能力越强，D(x)应该越大，D(G(z))应该越小；这时V(D,G)会变大，因此式子对于D来说是求最大；G的目的：G应该希望自己生成的图片越接近真实越好，因此式子对于G来说是求最小；

同理，cGANs模型的损失函数如公式(2)所示，目标函数如公式(3)所示，其中，x表示生成网络中用户输入的图片；

损失函数在对抗损失和传统损失之间效果较好，具体来说，判别网络的工作保持不变，但生成网络需要在欺骗判别网络的基础上，使得生成器生成的图片在L1的意义上更加接近ground truth，该项的作用可以减少生成图片中不自然的内容；

针对图像的copy-move伪造检测任务，在上述损失的基础上引入更加关注伪造区域的L_mask损失，该项损失只关注待检测的伪造区域的L1距离，即在L1损失的基础上乘以groundtruth所对应的0、1矩阵，用mask表示，

所以，cGANs模型最终的目标函数为条件生成对抗网路的对抗损失、基于L1距离的传统损失和L_mask损失的融合，如公式(6)所示：

5.根据权利要求4所述的一种基于生成对抗网络的copy-move伪造检测方法，其特征在于，

所述步骤4)调整对抗网络模型的参数如下：epoch＝6，lr＝0.0001，batch_size＝1，λ_L1＝200，λ_mask＝10。